当前位置：首页 > news >正文

人工智能+影像组学的交叉课题，患者的临床特征如何收集与整理｜顶刊专题汇总·24-07-10

news 来源：原创 2024/9/18 17:33:42

小罗碎碎念

本期文献主题：人工智能与影像组学结合的课题，如何筛选并整理临床基线数据

上一期推文介绍了如何筛选和整理病理组学的临床特征，这一期来介绍一下影像组学相关的内容，下一期则会介绍基因组学相关的特征筛选。

今天的推文虽然只有四篇，但是基本上已经包含了常见的临床特征的表示方法：

流程图展示纳入排除标准——从最初收集的患者数量，如何一步步筛选到最终用于AI训练到数据集数量；（部分文章还会进一步展示训练集、验证集的分布情况，例如今天的第三篇文献）
列表详细分析训练集、验证集各个临床特征的分布情况（例如年龄、中位随访时间、EBV水平……）

我是罗小罗同学，下期见！！

推文预告

文献速递｜人工智能与基因组学结合的课题，如何筛选并整理临床基线数据
文献精析｜Computerized tertiary lymphoid structures density on H&E-images is a prognostic biomarker in resectable lung adenocarcinoma
项目复现｜病理切片预处理：质量控制&染色标准化

一、Ann Neurol｜便携式低场MRI在急性中风治疗中的应用：DWI-FLAIR不匹配的识别

一作&通讯

作者角色	作者姓名	作者单位	单位中文名称
第一作者	Annabel Sorby-Adams	Department of Neurology and the Center for Genomic Medicine, Massachusetts General Hospital and Harvard Medical School, Boston, MA, USA	神经病学系和基因组医学中心，马萨诸塞州总医院和哈佛大学医学院，波士顿，美国
通讯作者	W. Taylor Kimberly	Department of Neurology and the Center for Genomic Medicine, Massachusetts General Hospital and Harvard Medical School, Boston, MA, USA	神经病学系和基因组医学中心，马萨诸塞州总医院和哈佛大学医学院，波士顿，美国

文献概述

这篇文章是关于便携式低场磁共振成像（LF-MRI）在急性中风患者中识别弥散加权成像（DWI）和液体衰减反转恢复（FLAIR）成像不匹配的研究，为未知发病时间的中风患者提供了潜在的溶栓治疗指导。

研究的目的是评估LF-MRI是否能够帮助确定那些在时间未知的情况下发病的中风患者是否适合进行溶栓治疗。研究包括71名平均年龄71岁的中风患者，他们在接受最后良好认知的时间（LKW）后24小时内接受了0.064-T的LF-MRI扫描。研究使用了定性和定量的方法来评估LF-FLAIR成像的可见性，并通过图像配准流程计算LF-FLAIR的信号强度比（SIR）。

研究结果显示，使用LF-MRI进行的视觉DWI-FLAIR不匹配分析，在中风发病不到4.5小时的患者中具有60%的敏感性和82%的特异性，其中LF-FLAIR SIR的最佳截断点为1.15，具有85%的敏感性和70%的特异性。此外，研究还确定了6.6小时的时间截断点，用于预测FLAIR SIR小于1.15的情况，这时具有89%的敏感性和62%的特异性。

该研究说明了0.064-T便携式LF-MRI在识别急性缺血性中风患者中的DWI-FLAIR不匹配方面的潜力。未来的研究需要进一步验证这些阈值，并评估LF-MRI在指导未知发病时间中风患者的溶栓治疗中的作用。研究还指出，尽管便携式LF-MRI显示出希望，但仍需要进一步的研究来改善成像技术，并解决现有技术的局限性。

临床数据

表1提供了参与研究的中风患者群体的人口统计学和临床特征。

时间分组：患者根据从最后已知良好状态（LKW）到进行低场MRI扫描的时间被分为三组，分别是小于4.5小时（LKW <4.5h），4.5至6小时（4.5h ≤ LKW < 6h），以及6至24小时（LKW ≥ 6h）。
年龄和性别：
- 在<4.5小时组中，平均年龄为68岁，其中50%为女性。
- 在4.5至6小时组中，平均年龄为76岁，67%为女性。
- 在6至24小时组中，平均年龄为71岁，47%为女性。
种族和民族：
- 种族分布显示，6至24小时组中有15%的患者为非裔美国人，而其他两组中没有。
- 大多数参与者为白人，占比在78%到100%之间。
- 民族方面，大多数参与者为非西班牙裔白人，占比在96%到100%之间。
干预措施：
- 血栓溶解治疗（Thrombolysis）在<4.5小时组中有40%的患者接受，4.5至6小时组为33%，6至24小时组为22%。
- 血管内血栓切除术（Thrombectomy）在<4.5小时组中有10%的患者接受，4.5至6小时组为67%，6至24小时组为38%。
NIHSS评分（美国国立卫生研究院中风量表）：评分越高，中风严重程度越大。
- <4.5小时组的中位数评分为3，4.5至6小时组为12，6至24小时组为6。
时间间隔：
- 从LKW到LF-MRI的平均时间在<4.5小时组为3小时，在4.5至6小时组为5小时，在6至24小时组为17小时。
- 从症状发现到LF-MRI的平均时间在<4.5小时组为3小时，在4.5至6小时组为5小时，在6至24小时组为11小时。
成像特征：
- 从DWI扫描得到的病灶体积中位数在<4.5小时组为3.9立方厘米，在4.5至6小时组为19.4立方厘米，在6至24小时组为7.3立方厘米。

表1提供了对研究人群的详细描述，包括他们的基线特征和与中风相关的临床信息，这有助于理解不同时间点的MRI成像结果以及它们对中风治疗决策的潜在影响。

二、Cancers ｜深度学习重建技术改善头颈部肿瘤弥散加权成像的临床研究

一作&通讯

角色	姓名	单位名称（中文）
第一作者	Hirotaka Ikeda	富士田健康大学医学部放射科

文献概述

这篇文章研究了深度学习重建技术在提高头颈部肿瘤弥散加权成像质量方面的应用，并发现与传统的EPI序列相比，FASE序列结合DLR能够改善图像质量而不显著影响ADC测量或肿瘤的良恶性鉴别能力。

DWI是一种磁共振成像（MRI）技术，用于测量组织中水分子的扩散程度，常用于头颈部肿瘤的诊断和分期。文章中特别比较了传统的回波平面成像（EPI）序列和快速高级自旋回波（FASE）序列获取的DWI图像的质量，以及应用DLR后的效果。

研究背景：

EPI序列获取的DWI图像常受到解剖结构复杂区域的空气-软组织界面的易感性伪影影响，降低图像质量，而FASE序列和DLR可能有助于改善这些问题。

研究目的：

使用体外和体内研究确定序列差异和DLR对DWI图像质量、表观弥散系数（ADC）评估，以及区分恶性和良性头颈部肿瘤的影响。

方法：

体外研究：使用由美国国家标准技术研究所（NIST）/放射学会（RSNA）QIBA推荐的高质量设备公司的扩散幻影进行扫描，评估不同DWI的ADC值。
体内研究：选取了58名未经治疗的头颈部肿瘤患者的MRI数据，包括多种肿瘤类型，排除了小于10mm、严重金属伪影的肿瘤，以及儿童和缺少必要扫描序列的患者。
图像分析：通过不同序列和DLR技术获取的DWI图像分析了信号-噪声比（SNR）、ADC值和图像变形率（DR）。

结果：

体外研究显示所有方法测量的ADC值与标准参考值之间有显著的高相关性。
体内研究显示，FASE序列结合DLR的SNR显著高于未加DLR的FASE，且ADC值在良性和恶性肿瘤间存在显著性差异。

结论：

与EPI序列相比，FASE序列结合DLR能改善DWI的图像质量和变形，且对ADC测量或区分恶性和良性头颈部肿瘤的能力影响不大。
本研究是首次在体内外研究中使用FASE和EPI序列的DWI并结合DLR，评估对图像质量、ADC测量和肿瘤区分能力的影响。
研究局限性包括样本量小、病理和临床情况多样，以及未使用其他供应商的DLR技术等。

临床数据

表1 “Patient characteristics”（患者特征）提供了参与这项研究的58名头颈部肿瘤患者的一些基本统计信息。

性别分布：研究样本包括30名男性和28名女性。
年龄范围：患者的平均年龄为66岁，年龄范围从12岁到93岁。
组织学类型：患者被诊断为多种头颈部肿瘤，包括恶性肿瘤和良性病变。
- 恶性肿瘤主要包括鼻咽癌、口咽癌、下咽癌、口腔癌、喉癌、上颌窦癌、甲状腺癌和滤泡细胞性淋巴瘤。
- 良性病变包括静脉畸形、鼻咽腺样体肥大、腮腺多形性腺瘤、腮腺Warthin瘤、Sjogren综合征、结节病、舌下腺囊肿、甲状舌管囊肿、第二鳃裂囊肿、甲状腺良性滤泡瘤、良性神经鞘瘤、钙化上皮性牙源性肿瘤、牙源性角化囊肿和良性淋巴结病等。
肿瘤数量：每种肿瘤类型对应的患者数量，这可以反映出研究中各种肿瘤的发病率或样本代表性。

从表中可以看出，研究涵盖了多种类型的头颈部肿瘤，这有助于研究结果的广泛适用性。同时，年龄范围广泛，表明研究结果可能对不同年龄段的患者都有一定的参考价值。性别分布相对均衡，有助于减少性别偏差对研究结果的影响。良性和恶性肿瘤的区分对于研究DWI图像质量、ADC评估和良恶性鉴别能力具有重要意义。

Figure 2（患者选择流程图）展示了从最初的74名患者中筛选出最终58名患者的过程。

起始患者群体：研究开始时有74名患者，这些患者都接受了头颈部的MRI检查。
筛选过程：
- 首先，根据研究的排除标准，对74名患者进行了筛选。
- 排除标准包括：
  - 需要在MR检查期间使用麻醉或镇静的儿童患者。
  - 没有通过EPI和FASE序列获得DWI图像的患者。
  - 肿瘤的长轴直径小于10mm的患者。
  - 由于牙齿金属导致的严重易感性伪影的肿瘤患者。
筛选结果：
- 根据上述标准，共有16名患者被排除：
  - 2名患者因缺少必要的DWI图像（标准2）被排除。
  - 11名患者因肿瘤直径过小（标准3）被排除。
  - 3名患者因牙齿金属导致的严重伪影（标准4）被排除。
最终研究样本：经过筛选，最终研究样本包括58名患者，其中30名男性和28名女性，年龄中位数为66岁，年龄范围从12岁到93岁。
图表意义：流程图清晰地展示了患者筛选的逻辑过程和每个阶段的患者数量，有助于读者理解研究样本是如何被选定的，以及为什么某些患者被排除在最终分析之外。
研究的严谨性：通过明确的排除标准和筛选流程，研究保证了样本的同质性，这对于确保研究结果的可靠性和有效性至关重要。
潜在偏差：虽然筛选过程有助于确保数据质量，但排除某些患者群体（如儿童患者和特定类型的肿瘤患者）可能会限制研究结果的普遍适用性。
后续分析：最终纳入研究的58名患者的特征和疾病类型将在后续分析中被详细考察，以评估DWI图像质量、ADC评估以及良恶性肿瘤的区分能力。

三、Cell Rep Med｜利用人工智能算法和MRI图像优化自然杀伤/T细胞淋巴瘤的诊断与预后

一作&通讯

角色	姓名	单位名称（中文）
第一作者	YuChen Zhang	中山大学肿瘤防治中心
通讯作者	ChuanMiao Xie	中山大学肿瘤防治中心信息技术中心
	Liang Wang	首都医科大学附属北京同仁医院血液科
	ChaoFeng Li	中山大学肿瘤防治中心
	QingQing Cai	中山大学肿瘤防治中心医疗肿瘤科

文献概述

这篇文章是关于使用人工智能（AI）和磁共振成像（MRI）技术来提高自然杀伤/T细胞淋巴瘤（NKTCL）的诊断和预后预测准确性的研究。

研究团队构建并验证了使用人工智能算法和磁共振成像的预测系统，这些系统能够协助准确诊断和预测NKTCL的预后，并可能为早期患者的治疗选择提供指导。

研究背景:

NKTCL是一种非霍奇金淋巴瘤的独特亚型，通常影响上呼吸道，如鼻咽部。由于其早期症状不明显，及时准确的诊断对于改善预后至关重要。MRI是鼻咽肿瘤初步诊断时的标准成像方式，但细微的MRI图像差异往往难以用肉眼识别。

研究方法:

研究者开发了基于深度学习的3D DenseNet模型来构建诊断系统，并通过多中心的3,088名患者的MRI数据进行训练和验证。此外，还开发了一个基于放射组学特征的预后系统来预测NKTCL患者的无进展生存期（PFS）。

研究结果:

诊断系统在检测恶性鼻咽病变以及区分NKTCL和鼻咽癌（NPC）方面表现出色，其准确性高于住院放射科医师，与高级放射科医师相当。
预后系统在预测NKTCL患者的生存结果方面表现良好，优于几种临床模型。
对于早期NKTCL患者，只有高风险组从早期放疗中受益，而低风险组的无进展生存期没有差异。

结论:

基于AI的系统在协助准确诊断和预后预测方面显示出潜力，并可能有助于NKTCL的治疗优化。

限制:

研究基于回顾性数据收集，可能存在偏差；
预后系统需要手动标记鼻咽病变，这也可能带来偏差；
所有患者均为中国队列，需要进一步研究以验证其在其他人群中的应用。

结论:

研究表明，基于AI算法和MRI图像的诊断系统可能有助于鼻咽病变的鉴别诊断。预后系统可能提高预后预测的精确度，并可能为早期NKTCL患者的治疗偏好提供指导。

临床数据

表1提供了参与这项研究的患者的基线特征。

样本大小（Sample size）：表格列出了不同组别（训练集、测试集、内部验证集、外部验证集）的患者数量。例如，在良性与恶性病变的比较中，训练集有1761名患者，测试集有373名，内部验证集有373名，外部验证集有430名。
年龄（Age）：患者的年龄中位数范围从18岁到83岁，且每个组别中年龄超过60岁的患者比例从11.3%到17.2%不等。
性别（Gender）：男性患者的比例在62.5%到74.1%之间，女性患者的比例则在25.9%到37.5%之间。
疾病类型（Diseases）：表格中列出了包括NKTCL（自然杀伤/T细胞淋巴瘤）、NPC（鼻咽癌）以及其他类型的淋巴瘤和其他恶性肿瘤在内的疾病分布情况。
良性病变（Benign lesions）：表格还列出了良性病变的类型，如慢性黏膜炎、腺样体/淋巴组织增生等。

具体分析如下：

在训练集、测试集、内部验证集和外部验证集中，NKTCL和NPC是最为主要的两种疾病类型，这与研究的焦点一致，即区分这两种疾病。
年龄分布显示，大多数患者的年龄在60岁以下，这可能与NKTCL和NPC的一般流行病学特征相符。
性别分布相对均衡，但男性患者略多于女性患者，这可能与某些癌症类型的性别倾向性有关。
表格中也提到了其他类型的恶性肿瘤，尽管它们在本研究中不是主要关注点，但这些数据对于全面了解患者的疾病谱是必要的。
良性病变的数据为研究提供了对照组，这对于评估诊断系统的准确性至关重要。

整体来看，表1为理解研究的参与者特征提供了重要信息，并为进一步的统计分析和模型验证奠定了基础。

图1展示了构建和验证诊断系统与预后系统的流程图。

数据收集：研究开始于收集来自中国9家医院的鼻咽部磁共振成像(MRI)图像，共有3276名患者符合纳入标准。
患者筛选：188名患者由于各种原因被排除，例如缺少明确的病理诊断、MRI前进行了活检、有其他恶性肿瘤的历史、MRI图像未包含整个病变、分辨率不足或层数不一致。
数据准备：剩下的3088个案例被用于AI系统开发。数据被分为良性病变与恶性肿瘤(n=2937)以及NKTCL与NPC的区分(n=1132)。
训练集、内部验证集和测试集的划分：数据被进一步划分为训练集、内部验证集和测试集。训练集用于模型的初步训练，内部验证集用于模型优化，测试集用于评估模型性能。
诊断系统的构建：使用深度学习基础的3D DenseNet模型构建诊断系统。模型首先在训练集上进行训练，然后在内部验证集上进行优化，最终在外部验证集上进行测试。
预后系统的构建：预后系统使用288名NKTCL患者的数据，同样经过训练和内部验证，然后进行外部验证。
放射学专家的标注：放射科医生手动标注了用于测试集的MRI图像。
模型性能评估：诊断系统和预后系统的性能通过接收者操作特征曲线下面积(AUC)、准确度、敏感度、特异性、阳性预测值(PPV)和阴性预测值(NPV)进行评估。
放射科医师与AI系统的比较：AI系统的诊断能力与不同资历的放射科医师进行了比较。
预后决策支持：预后系统旨在为早期NKTCL患者的放疗时机提供决策支持。

整个流程图清晰地展示了研究的步骤，从数据收集到模型构建、验证和比较分析，反映了一种系统性的方法来开发和评估AI在医学成像中的应用。通过这种严格的流程，研究团队能够确保模型的稳健性和临床应用潜力。

四、Clin Cancer Res｜血浆代谢组学在预测鼻咽癌诱导化疗反应中的应用

一作&通讯

角色	姓名	单位（中文）
第一作者	Tingxi Tang	南方医科大学南方医院放射肿瘤科
第一作者	Zhenhua Zhou	南方医科大学南方医院慢性气道疾病实验室，呼吸与危重症医学科
通讯作者	Jian Guan	南方医科大学南方医院放射肿瘤科

文献概述

这篇文章通过分析晚期鼻咽癌患者血浆代谢组学特征，建立了一个基于机器学习的预测模型，以预测诱导化疗的疗效，并识别了与疗效相关的生物标志物。

研究包括166名参与临床试验NCT05682703的NPC患者，他们在进行IC治疗前后的血浆脂蛋白谱通过1H-核磁共振（NMR）获得。研究开发了一种人工智能辅助的影像组学方法来有效评估IC的疗效。

研究发现，IC的疗效在不同患者之间存在差异，并且与代谢物谱的变化相关。使用机器学习技术，特别是极端梯度提升模型（XGB），显示出显著的预测效果，曲线下面积（AUC）值为0.792。在验证队列中，模型展现了强大的稳定性和泛化能力，AUC值为0.786。

研究结果表明，血浆脂蛋白的失调可能导致NPC患者对IC的抗药性。基于血浆代谢物谱构建的预测模型具有良好的预测能力和实际应用潜力。这一发现对于开发治疗策略和寻找提高IC效果的潜在靶点具有重要意义。

研究还讨论了NPC的流行病学、目前的治疗手段、以及IC治疗的局限性和副作用。此外，研究强调了脂质代谢重编程在癌症中的作用，并指出了在NPC背景下对脂蛋白研究的缺乏。研究使用了1H-NMR技术来分析IC前后患者的血浆样本，并评估了IC的疗效。研究还采用了多种统计分析方法，并对数据进行了预处理。

最后，研究通过机器学习分类器来构建预测IC抵抗风险的模型，并通过特征贡献值来识别潜在的生物标志物，进而进行了通路分析。研究的临床队列数据和代谢组学数据集可供进一步分析使用。

临床数据

Table 1 提供了参与研究的166名鼻咽癌患者的基线特征统计信息。

BMI (Body Mass Index): 患者的平均体重指数（BMI）为23.48，标准差（SD）为3.65。BMI是衡量体重与身高比例的指标，用于评估患者的体重是否在正常范围内。
Age: 患者的平均年龄为47.49岁，标准差为11.71岁。这表明研究人群覆盖了较广的年龄范围。
Histological type: 组织学类型主要分为WHO II和WHO III两种，其中91.57%的患者为WHO III型。
T (Tumor size): 根据肿瘤大小的分类，大多数患者（59.64%）被分类为cT3，表明他们的肿瘤大小适中。
N (Lymph node involvement): 淋巴结受累情况显示，大多数患者（54.22%）为cN3，这可能意味着他们的癌症已经扩散到更多的淋巴结。
M (Distant metastasis): 远处转移情况显示，大多数患者（83.13%）为cM0，表示没有远处转移。
Stage: 癌症分期显示，31.33%的患者为III期，51.80%为IVA期，16.87%为IVB期，说明大多数患者处于晚期。
EBV DNA pre and post (copies/mL): 患者治疗前后的Epstein-Barr病毒（EBV）DNA水平，EBV与鼻咽癌有关联。治疗前，45.18%的患者EBV DNA水平低于2,000 copies/mL，而治疗后，86.14%的患者EBV DNA水平低于2,000 copies/mL，表明治疗可能降低了EBV的活性。